| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 基于划分的聚类算法 | 第9-10页 |
| 1.2.2 外部评价指标 | 第10-11页 |
| 1.3 本文的主要工作和内容安排 | 第11-12页 |
| 第2章 聚类技术 | 第12-24页 |
| 2.1 聚类算法的概念、要求、分类 | 第12-15页 |
| 2.1.1 聚类算法的定义 | 第12页 |
| 2.1.2 聚类算法的要求 | 第12-13页 |
| 2.1.3 聚类算法的分类 | 第13-15页 |
| 2.2 数据类型以及存储结构 | 第15-17页 |
| 2.2.1 数据类型 | 第15-17页 |
| 2.2.2 存储结构 | 第17页 |
| 2.3 相似性度量 | 第17-19页 |
| 2.4 聚类准则函数 | 第19页 |
| 2.5 聚类评价指标 | 第19-22页 |
| 2.5.1 外部评价指标 | 第19-21页 |
| 2.5.2 内部评价指标 | 第21-22页 |
| 2.6 小结 | 第22-24页 |
| 第3章 Num-近邻方差优化的K-medoids聚类算法 | 第24-34页 |
| 3.1 算法思想 | 第24页 |
| 3.2 基本概念和参数设置 | 第24-26页 |
| 3.2.1 基本概念 | 第24-25页 |
| 3.2.2 参数设置 | 第25-26页 |
| 3.3 算法详细步骤 | 第26-27页 |
| 3.4 实验结果与性能分析 | 第27-32页 |
| 3.4.1 UCI机器学习数据库数据集实验 | 第27-30页 |
| 3.4.2 人工模拟数据集实验 | 第30-32页 |
| 3.5 小结 | 第32-34页 |
| 第4章 方差优化初始中心的K-medoids算法 | 第34-48页 |
| 4.1 算法思想 | 第34页 |
| 4.2 基本概念 | 第34-35页 |
| 4.3 算法详细步骤 | 第35-37页 |
| 4.3.1 MD算法详细步骤 | 第35-36页 |
| 4.3.2 SD算法详细步骤 | 第36页 |
| 4.3.3 本章算法分析 | 第36-37页 |
| 4.4 实验结果与性能分析 | 第37-46页 |
| 4.4.1 UCI数据集实验 | 第38-41页 |
| 4.4.2 人工模拟数据集实验 | 第41-46页 |
| 4.5 小结 | 第46-48页 |
| 第5章 基于样本对和特异度的外部有效性评价指标 | 第48-60页 |
| 5.1 现有聚类外部有效性评价指标 | 第48-50页 |
| 5.2 改进的F-measure指标 | 第50-52页 |
| 5.2.1 基于相依表的外部评价指标 | 第50-51页 |
| 5.2.2 基于样本对的外部评价指标 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-58页 |
| 5.3.1 新指标与传统指标评价算法性能的一致性比较 | 第52-57页 |
| 5.3.2 新指标确定样本类簇数 | 第57-58页 |
| 5.4 小结 | 第58-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 后续工作 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间的研究成果 | 第70页 |